HeyGen Voice Turbo 与 Inworld Realtime TTS-2：最好的克隆声音并非最快的那一个

向两家供应商询问那个决定实时产品成败的数字，只有一家给出了答案。Inworld 公布了 Inworld Realtime TTS-2 的首次音频数据——在 Flash 版本上低至 50 毫秒，由 Coval 的榜单测得，供应商声称首次音频比 ElevenLabs 快至多 3 倍。HeyGen 则完全没有公布 HeyGen Voice Turbo 的延迟数据；其文档承诺比它旁边的模型“生成更快”，然后就没有下文。HeyGen 确实公布的是：在 Artificial Analysis Controlled Voice Arena 上以 1,202 Elo 排名第一，以及标价每百万字符 $4.00，而 Inworld Realtime TTS-2 以 1,145 排名第七，价格为 $20.80。发布后会发生变动的语音竞技场排名和每字符价格，都会连同日期和来源记录在 the AI Incident Archive中，并与我们追踪的其他模型和供应商事件一并收录。

所以，这两个模型并不是在争夺同一个位置。一个是盲测偏好榜上最好的克隆语音引擎，但延迟问题仍没有答案。另一个是实时引擎，有已公布的延迟指标，质量得分却低了五个名次。你想要哪一个，取决于是否有人正等着句子说到一半。

这两块主板，以及每家厂商的实际立场

Artificial Analysis 同时运营这两个语音榜单，而这两个数字放在一起比单看任何一个都更重要，因为它们衡量的并不是同一件事：Controlled Voice Arena 将八个克隆参考音色固定不变，只对引擎本身进行评分；Provider Voice Arena 则让每家厂商用自己的原生音色发声，并对实际交付的产品进行评分。

• 受控语音 Elo — HeyGen Voice Turbo 1,202（46 个中排名第 1，±19，1,685 个样本）。Inworld Realtime TTS-2 1,145（排名第 7，±13，3,161 个样本）。

• 提供商语音 Elo — HeyGen Voice Turbo 未列出。Inworld Realtime TTS-2 1,267（98 个中第 6）。

• 每 100 万字符标价，竞技场换算 — HeyGen Voice Turbo $4.00。Inworld Realtime TTS-2 $20.80，Flash $10.40。

• 供应商价目表 — HeyGen 未公布按字符计费的语音价格；4.00 美元是根据积分定价推算出来的。Inworld 公布 Realtime TTS-2 的按需价格为 25.00 美元，Flash 为 15.00 美元，在 Creator 方案下分别降至 20.00 美元和 10.00 美元。

• 标称延迟 — HeyGen：未公布。Inworld：在 Coval 上，Flash 的首个音频延迟为 50 毫秒；旗舰产品的数据并未按相同基准说明。

• 语言覆盖范围 — HeyGen：提供 42 种基础语言代码，可用于克隆和语音。Inworld：单个 Realtime TTS-2 语音即可支持约 500 种语言和方言。

Provider 列中的不对称才是值得注意的地方。Inworld 在两张榜单上都有排名；HeyGen 只在一张榜单上有排名。Artificial Analysis 会略去票数不足的模型，因此这种缺席并不是质量信号——但这确实意味着，Inworld 的产品已在其整个已发布产品范围内获得评分，而 HeyGen 的产品仅在克隆语音条件下获得评分。

质量：57分的差距，即便考虑误差范围也依然成立

五十七 Elo 是本对比中最大的差距，也是最不含糊的。HeyGen Voice Turbo 的区间为 1,183 到 1,221；Inworld Realtime TTS-2 的区间为 1,132 到 1,158。两者并不重叠。与七分的 HeyGen 对 HeyGen 对比不同——在那项对比中两个模型在统计上不相上下——这一项在 95% 置信度下存在显著分离。

这具体能说明什么：在八个克隆参考声音上，盲听听众更偏好 HeyGen Voice Turbo 的演绎，且偏好幅度足以让排行榜分辨出来。这并不表示 HeyGen 自家的声音目录听起来比 Inworld 的更好——HeyGen 在 Provider 榜上没有条目，无法据此提出这一主张——也不表示 Turbo 的克隆效果更好，只表示它对所提供的克隆声音的演绎更好。

Inworld 的克隆路径是其质量评分最难以描述的部分。即时克隆只需三秒参考音频即可工作，声音设计则可依据文字描述工作；两者都包含在每个套餐中。该竞技场衡量的是最终输出的语音，而非输入克隆的保真度。一个在给定克隆上得分 1,145 的模型，可能仍然是从客户声音的三秒片段中生成该克隆的更好选择。

延迟：HeyGen 不会告诉你的那个数字

Inworld 的实时定位具体且可证伪。根据 Coval 的测量，Realtime TTS-2 Flash 最快可在 50 毫秒内返回首个音频，比 183 毫秒的 ElevenLabs 快至多 3 倍，比 2,056 毫秒的 OpenAI GPT-4o mini TTS 快至多 35 倍。这些是第三方对供应商模型的测量结果，由该供应商引用——比营销宣传更有力，但弱于独立审计，并且在你围绕这些数据做架构设计之前，值得在你自己的网络上复现。

HeyGen 的文档将 Turbo 描述为以“更低的延迟”提供即时语音，比默认方案更快，但也就到此为止。Artificial Analysis 的吞吐量页面列出该模型的中位生成时间为 7.29 秒、每秒 122 个字符，第 5 百分位为 52.7 秒，第 95 百分位为 150 秒——这些数字描述的是其测量装置上的整请求合成，而非首个音频输出时间，而且方差很大。对于预渲染旁白来说，7 秒的中位数尚可。但它不是对话。

这种比较并不是一场公平的较量，也本来就不是。HeyGen 的 Turbo 在定价和文档说明上都是面向批量合成的：每次请求 5,000 个字符，每分钟 30 次请求，一个同步 WAV 端点，以及一个其各个部分都是完整 WAV 容器的 SSE 流。Inworld 的则针对轮流对话来编写文档：基于指令的表达控制、50 种以真实音频渲染的非语言声音，以及宣称可在数十毫秒内输出首个音频。如果你的产品是在对话中发声，HeyGen 并没有公布你所需要的那个数字，而缺少数字并不能证明模型慢——它只能证明这不是他们正在卖给你的产品。

价格：一侧是三个档位，另一侧是一个推导出的数字

$4.00 对 $20.80 看起来像是 HeyGen 以五比一获胜，但这是本文中最不可靠的数字。它是 Artificial Analysis 对 HeyGen 积分定价的换算，之所以这样推导，是因为 HeyGen 没有公布一个积分能购买多少字符。Inworld 的 $20.80 则是同一榜单对 Inworld 确实公布的费率所做的归一化。

进行同类比较，差距就缩小了。Inworld 自身的价格阶梯为：按需 $25.00，Creator 计划 $20.00，Pro $17.50，Business $15.00，Enterprise $12.50；Flash 在相同层级从 $15.00 降至 $7.00，而厂商在顶部宣传低于 $5。按忠实客户实际支付的价格，Realtime TTS-2 落在 $12.50 至 $20.00 之间，Flash 落在 $7.00 至 $15.00 之间。与 $4.00 的折算价相比，HeyGen 在纸面上仍然更便宜——但相对于打折后的 Inworld 层级，差距更接近二比一，而不是相对于标价时的五比一。

还有第二档，完全免费。HeyGen 的 heygen-voice-1-turbo-free 档位在2026年11月30日前，无需信用余额即可使用公共音色和即时克隆，共享容量、不作任何保证，并且有文档记录表明在高负载下容易返回429。Inworld 的按需计划提供最多70分钟的免费 TTS。两者都足以进行一次真实对比；但都不足以支撑一个产品。

每个模型在哪里不再成为答案

当音频属于预渲染或接近实时，而非对话式场景时，请选用 HeyGen Voice Turbo：旁白、有声书章节、在线学习模块、视频流水线中的语音部分，或每轮对话足够长、以致七秒的合成时间可以隐藏在“思考中”指示器之后的语音智能体。它的优势在于：以榜单上最低的派生费率获得第一名的克隆语音得分，并支持 42 种语言和 44.1 kHz WAV 输出。

当有人正在等待时，就选用 Inworld Realtime TTS-2。延迟方面的宣称、指令操控——把演绎方向作为请求参数发送，或在句中以方括号标注——50 种非言语表达、约 500 种语言以及三秒克隆，都是这款为对话而构建的引擎的特性，再高的 Elo 也无法弥合这一结构性差距。它的优势还包括 HeyGen 所没有的 Provider 榜单排名，如果你的产品提供的是预置音色而非克隆音色，这一点就很重要。

如果你需要的是具备可复现种子参数的专业级克隆，那么这两个模型都不是答案：HeyGen 将 Turbo 限制为仅支持公开音色和即时音色，而诸如 seed、speed 和 pitch_shift 这类韵律控制参数在该 API 上仅限专业版使用。Inworld 的等效控制项是其自身的指令与引导层，这是一种机制不同、保障也不同的方式。

同时运行两者，但不押注任何一方

这个决定棘手的地方在于，两个候选方案所优化的条件，你无法仅凭排行榜完全建模：你的网络到达首个音频的时间、你的文本中的名称和数字、你的听众对停顿的容忍度。回答这个问题最省事的办法，是把两者放在同一个接口后面并分流流量——给挑战者一小部分份额，当请求失败或触发速率限制时，自动故障转移到现有方案。

这正是 OrcaRouter 路由层所针对的格局，也是在这里提到它的实在理由：一个密钥接入 200+ 模型，按供应商标价原样传递、无任何加价，并且故障转移能把共享容量免费层返回的 429 变成一次重试，而不是一段死寂的等待。HeyGen Voice Turbo 目前不在该目录中，因此真正要在 HeyGen 与 Inworld 之间二选一，仍然意味着两套集成——但无论你最终标准化采用哪个模型，论证中关于故障转移的那一半都成立。

这些榜单能定论的东西，比它们看上去要窄。HeyGen Voice Turbo 是更好的克隆语音引擎，领先幅度有统计数据支撑，而价格大概是顶级梯队里最低的。Inworld Realtime TTS-2 是两者中唯一告诉过你它开口说话有多快的，而对于一款对话式产品来说，这一个悬而未决的问题，比五十七点 Elo 更重要。